La question la plus difficile à répondre sur les délires alimentés par l'IA

Le Download : tracer les délires alimentés par l'IA, et OpenAI reconnaît les risques liés à Microsoft

OpenAI vient de reconnaître officiellement que sa relation étroite avec Microsoft constitue un risque commercial significatif, dans un document préparatoire à son introduction en bourse. En parallèle, des chercheurs de Stanford publient une étude troublante sur les dérives psychologiques induites par les chatbots d'IA, soulevant des questions fondamentales sur la responsabilité des plateformes. La reconnaissance par OpenAI de sa dépendance à Microsoft, son principal investisseur avec plus de 13 milliards de $ injectés, intervient à un moment charnière : la société se prépare à une IPO et cherche simultanément à séduire des fonds de capital-investissement avec des conditions plus attractives que celles proposées par son concurrent Anthropic. Cette divulgation signale une volonté de transparence accrue vis-à-vis des futurs actionnaires, mais expose aussi la fragilité structurelle d'une entreprise dont la trajectoire reste étroitement liée aux décisions d'un seul partenaire stratégique. Sur le front de la recherche, l'étude de Stanford s'est appuyée sur l'analyse de transcriptions de conversations entre utilisateurs et chatbots pour documenter des cas de spirales délusionnelles. Les résultats mettent en lumière la capacité unique des IA conversationnelles à transformer une pensée anodine en obsession dangereuse, mais la question centrale demeure ouverte : l'IA provoque-t-elle les délires ou se contente-t-elle de les amplifier ? Cette nuance a des implications considérables pour la régulation du secteur. Par ailleurs, le PDG de Mistral, Arthur Mensch, a appelé à l'instauration d'une taxe sur les contenus pour les modèles d'IA commerciaux opérant en Europe. Jensen Huang, PDG de Nvidia, a déclaré sur le podcast de Lex Fridman : "Je pense que nous avons atteint l'AGI", une affirmation qui, selon lui, dépend toutefois de la définition retenue pour l'intelligence artificielle générale, et qui illustre à quel point le débat sémantique autour de ce concept reste aussi vif que jamais dans l'industrie.

Linus Torvalds répond aux critiques sur l'IA dans Linux : « Forkez-le. Ou partez. »

Linus Torvalds, créateur et mainteneur principal du noyau Linux, a tranché cette semaine dans un débat qui divise la communauté open source depuis des mois. Dans un long message publié sur la liste de diffusion des développeurs du noyau Linux, il a affirmé être prêt à "absolument imposer sa position" en faveur de l'utilisation d'outils d'intelligence artificielle pour améliorer le projet. Sa déclaration intervient au milieu d'une discussion animée sur Sashiko, un système de revue de code agentique conçu pour analyser automatiquement les contributions au noyau. Selon ses créateurs, l'outil parvient, lors de tests, à détecter de manière autonome 53,6 % des bugs qui auraient normalement été corrigés plus tard par des développeurs humains via des commits ultérieurs. Torvalds a été catégorique face aux opposants : "Linux n'est pas un de ces projets anti-IA, et si quelqu'un a un problème avec ça, il peut faire ce que permet l'open source, c'est-à-dire forker le projet. Ou simplement partir." Cette prise de position marque un tournant symbolique pour l'un des projets open source les plus influents au monde, dont le code constitue la colonne vertébrale de millions de serveurs, smartphones et objets connectés. En légitimant ouvertement le recours à l'IA générative dans le processus de développement, Torvalds envoie un signal fort aux mainteneurs de projets similaires, souvent tiraillés entre l'efficacité promise par ces outils et la méfiance de contributeurs historiques hostiles à l'IA. Concrètement, cela pourrait accélérer l'adoption de systèmes d'assistance automatisée dans la détection de vulnérabilités et de bugs au sein d'une base de code aussi vaste et critique que celle du noyau Linux, tout en posant la question de la fiabilité de ces outils. Le débat trouve son origine dans les limites bien réelles de Sashiko, dont les propres concepteurs reconnaissent un taux de faux positifs "proche de 20 %", c'est-à-dire des signalements de bugs qui n'existent en réalité pas, ce qui peut faire perdre un temps précieux aux mainteneurs humains chargés de trier les rapports. Cette tension entre gain de productivité et charge de vérification supplémentaire illustre les enjeux plus larges auxquels font face les grands projets open source à l'heure de l'IA générative, entre intégration pragmatique de nouveaux outils et préservation de la confiance dans un processus de revue de code historiquement humain.

💬 Sashiko qui détecte 53% des bugs, c'est du concret, pas du marketing. Mais un taux de faux positifs à 20%, ça veut dire un mainteneur sur cinq alertes qui perd son temps à vérifier du vent. Torvalds a raison sur le fond : l'IA comme copilote de revue de code, c'est déjà là, autant l'assumer plutôt que de faire semblant qu'elle n'existe pas. Reste que sa réponse ("forkez ou partez") règle un débat de gouvernance, pas le problème technique du bruit dans les alertes.

Ce que les données révèlent vraiment sur l'IA et votre emploi

Au sein de la Silicon Valley, l'idée d'une apocalypse de l'emploi causée par l'IA est désormais traitée comme une certitude. Dario Amodei, PDG d'Anthropic, a décrit l'IA comme "un substitut général de la main-d'oeuvre humaine" capable de réaliser tous les emplois en moins de cinq ans. Une chercheuse en impacts sociétaux chez Anthropic a quant à elle évoqué une possible récession à court terme et "l'effondrement de l'échelle des débuts de carrière". Ces déclarations alimentent une anxiété croissante chez les travailleurs, au point de renforcer les mouvements réclamant un moratoire sur la construction de centres de données. Alex Imas, économiste à l'Université de Chicago, a accepté de faire le point sur ce que l'on sait réellement, et surtout sur ce que l'on ignore. Son constat est sévère : les outils actuels pour prédire l'impact de l'IA sur l'emploi sont "lamentables". La mesure la plus utilisée, le taux d'"exposition" d'un métier à l'IA, consiste à comptabiliser combien de tâches qui le composent pourraient être automatisées. C'est la méthode qu'OpenAI a appliquée en décembre dernier à un catalogue gouvernemental américain de milliers de tâches professionnelles, datant de 1998, constatant par exemple qu'un agent immobilier est exposé à 28 %. Anthropic a utilisé ce même référentiel en février pour analyser des millions de conversations avec Claude. Mais pour Imas, "l'exposition seule est un outil totalement inutile pour prédire les suppressions de postes" : savoir qu'une tâche peut être automatisée ne dit rien sur ce que fera concrètement l'employeur de ce gain de productivité. L'enjeu central est en réalité une question d'économie industrielle que personne ne sait encore trancher : si un développeur peut produire en un jour ce qui lui prenait trois jours grâce à l'IA, l'entreprise va-t-elle embaucher moins de développeurs ou au contraire en recruter davantage pour aller plus vite ? La réponse dépend du secteur, de la structure des marchés et de la concurrence. Dans un marché compétitif, les gains de productivité se répercutent souvent en baisse de prix, ce qui stimule la demande et donc l'emploi. Mais ce mécanisme ne s'applique pas uniformément. Imas plaide pour que les économistes collectent d'urgence des données granulaires sur la façon dont les entreprises réallouent réellement leur main-d'oeuvre après l'adoption de l'IA, car sans ces données, toute politique publique sur l'emploi reste aveugle. Le débat dépasse donc largement les prédictions catastrophistes : il appelle à une observation rigoureuse de terrain, que personne n'a encore vraiment commencée.

L'IA apprend à lire les émotions

L'intelligence artificielle apprend désormais à lire les émotions humaines avec une précision croissante, et ce domaine connaît une expansion rapide dans de nombreux secteurs. Des plateformes de centres d'appels comme NiCE et Genesys utilisent déjà l'IA pour détecter la frustration d'un client au téléphone et guider les agents en temps réel. Meta et la startup Hume AI développent des systèmes vocaux capables d'ajuster leur ton selon l'état émotionnel de l'interlocuteur. Plus de 300 entreprises proposent des applications de compagnons virtuels, un marché estimé à 555 milliards de dollars d'ici 2035. Le robot ElliQ de la société Intuition Robotics, qui ressemble à une petite lampe de bureau blanche, est déjà déployé auprès de personnes âgées pour réduire la solitude par la conversation. Malgré cette omniprésence croissante, les systèmes actuels d'IA émotionnelle restent limités : ils ne font que coller une étiquette à un signal isolé, en classant une expression comme « heureux » ou « triste ». Or les émotions humaines sont contextuelles, superposées et en évolution constante. Un rire peut exprimer la joie ou la nervosité, une voix qui monte peut trahir l'enthousiasme ou l'agacement. Ces nuances varient considérablement selon la personnalité, la culture et le contexte de chaque individu. Dans un entretien d'évaluation ou une session de coaching, l'IA actuelle risque de manquer les signaux les plus importants, comme la fatigue ou l'approche du burn-out, parce qu'elle ne voit pas la scène dans son ensemble. C'est précisément cet écart qu'un nouveau champ de recherche cherche à combler, que ses promoteurs appellent la « human-context AI ». Au lieu d'analyser un seul flux de données, ces systèmes croisent dynamique du visage, voix, ton, langage et comportement, tout en tenant compte du contexte précis de l'interaction. Cette approche trouve ses origines il y a près de trente ans au MIT Media Lab, où l'ingénieure Rosalind Picard a inventé le concept d'« affective computing » : l'idée, alors radicale, que les machines pourraient reconnaître et répondre aux émotions humaines. À l'époque, la puissance de calcul, les capteurs et les données disponibles n'étaient pas au rendez-vous. Aujourd'hui, les avancées en deep learning et la multiplication des données multimodales ouvrent enfin la voie à des systèmes capables de lire non plus seulement l'écran, mais la situation dans sa globalité, avec toutes les implications éthiques que cela suppose pour le travail, l'éducation et la vie privée.